CN104048668A - 浮动车的地图映射方法 - Google Patents

Abstract

本发明的一种新型的浮动车地图映射方法，包括有以下步骤：步骤一：将原始路网中每条道路所在的矩形区域进行调整构建新的路网模型，基于新的路网模型为每个GPS采样点生成原始候选道路集；步骤二：对原始候选道路集中的道路按照GPS采样点到候选道路的距离以及GPS点的方向和GPS点在道路上投影点的道路方向的夹角两个约束条件进行过滤，得到每一个采样点的最优候选道路集；步骤三：采用动态递归探测的技术进行最优映射道路的选取，从而将车辆GPS坐标点映射到地图上。该方法可以在GPS采样点较为稀疏的情况下以及复杂道路环境下，解决具有技术GPS采样点的位置和真实行驶道路不匹配的问题，具有较高的准确率。

Description

浮动车的地图映射方法

技术领域

本发明属于地图映射领域，涉及一种浮动车的地图映射方法。

背景技术

浮动车是指安装了车载GPS定位装置并行驶在城市主干道上的公交汽车和出租车。通过GPS定位卫星可以定期获取车辆的位置、方向和速度等信息。但是由于浮动车所采用的GPS设备一般会有15m以上的圆周误差，从而导致浮动车采集到的GPS数据点可能被映射在错误的道路上(特别是在道路密集的城市区域)，影响GPS点的映射精度，从而产生车辆运行道路轨迹不匹配的问题。

地图映射利用GPS定位数据与电子地图道路数据进行匹配，使用一定的算法将车辆映射到地图中正确的道路上，从而矫正导航系统的定位误差，确定车辆的正确运行轨迹。

路网模型是地图映射的基础和依据。在未进行路网处理的传统路网模型中，求解待映射点的候选道路集时，通常采用以GPS坐标点为圆心，一定的距离为半径画圆的方法获得该点附近的道路构成该待映射点的候选道路集。这种方法存在两方面明显的缺陷：一方面范围的半径难以确定，另一方面可能造成GPS自身系统误差和范围半径误差的叠加，影响候选道路选择的精确性。

传统的地图映射方法按照考虑的轨迹点范围进行划分可以分为点映射算法、局部/增量映射算法、全局映射算法。点映射算法简单计算GPS点和各道路的投影距离及夹角的关系进行道路择优，算法设计简单，容易实现，但在道路密集，轨迹点误差较大时算法准确率较低。局部/增量的方法通常遵循贪心策略，从已确认的匹配点出发推测相邻点的道路映射情况，从而在候选道路集中选择一条与待映射点上下文最符合的道路作为映射道路，此类算法的准确性跟初始匹配结果准确性的判定结果有很大关系，容易产生较大的连续误差。全局式方法则使用曲线匹配或曲线拟合的方式，将整体轨迹点形成轨迹曲线，通过与路网模型中的道路模型计算“Fréchet距离”或“弱Fréchet距离”选择最终的映射道路，准确性高，但计算量极大。

发明内容

本发明首先对道路的路网模型进行优化，然后在考虑采样点最佳投影位置的同时兼顾了连续的采样点逼近的分布在一条连续的真实的行驶道路附近的事实。主要基于以下三点考虑：(1)基于道路比基于采样点的误差分析具有更高的精确度；(2)可根据路网拓扑结构和几何信息以及采样点的位置和方向等对采样点的候选道路集进行过滤；(3)待映射点附近其它采样点的道路映射情况对待映射点的映射有着重要参考意义。

在传统的地图映射方法中，如果存在连续的误差较大的采样点，可能出现匹配路径的严重错误，并且会影响到后续采样点的映射情况，容易发生错误匹配的“多米诺骨牌效应”不具有一定的自动修复能力和防止错误扩散的机制。

考虑车辆的GPS定位误差问题和已有路径匹配方法的不足，本发明提出一种浮动车的地图映射新方法，可以有效地解决在GPS采样点较为稀疏的情况下(采样间隔30s-210s)以及复杂道路环境下，导航系统定位过程中GPS采样点的位置和真实行驶道路不匹配的问题。

本发明提出的方法可以用图1所示的模块流程图进行描述。GPS采样点结合经过优化后的路网，可以获得每个采样点的初始候选道路集，该候选集中包含了真实的浮动车运行的道路，同时也包含了一些其它的干扰道路；然后通过GPS采样点到候选道路的距离以及GPS点的方向和GPS点在道路上投影点的道路方向的夹角两个约束条件进行过滤，排除大部分干扰候选道路，得到最优的两条候选道路；最后通过本发明提出的动态递归探测方法从中选择最优的映射道路，进行地图映射。

本发明提出的一种新型的浮动车地图映射方法，包括有以下步骤：

步骤一：将原始路网中每条道路所在的矩形区域进行调整构建新的路网模型，基于新的路网模型为每个GPS采样点生成原始候选道路集；

步骤二：对原始候选道路集中的道路按照GPS采样点到候选道路的距离以及GPS点的方向和GPS点在道路上投影点的道路方向的夹角两个约束条件进行过滤，得到每一个采样点的最优候选道路集；

步骤三：采用动态递归探测的技术进行最优映射道路的选取，从而将车辆GPS坐标点映射到地图上。

在步骤一，原始路网是通过节点、路段和路段上的样本点建立起的整个路网模型，表示为：

$\left\{\begin{array}{c}{R}_n=(N,E)\\ N=\left\{(x,y)\right|o(x,y)\≥3\}\\ E=\left\{e_i\right\}(i=\mathrm{0,1,2}...)\\ e_i=\{R\_\mathrm{Id};R\_L;X_{\min },X_{\max },Y_{\min },Y_{\max };p_1,p_2...p_i...\}\end{array}\right.$

其中，R_n表示路网；N表示路网中所有多岔路口的集合；每一个多岔路口用经度坐标x和纬度坐标y构成的经纬坐标(x,y)表示，其链接的道路数表示为o(x,y)，例如o(x,y)＝3表示一个三叉路口；E表示路网中所有道路e_i的集合，每一条道路e_i由道路标示R_Id，道路宽度R_L，道路所在区域的最小经度值X_min，最大经度值X_max，最小维度值Y_min，最大维度值Y_max以及道路上一些离散的样本点p_i组成，相邻的样本点相连构成了一条完整的道路。道路e_i中的元素和e_i所在的最小矩形区域如图2所示。

由于和经度或纬度线基本平行的道路其所在的矩形区域的宽度非常窄，小于GPS的合理误差范围，从而在选择GPS采样点的原始候选道路时不能被包含在真实道路所在的矩形区域，即可能遗漏采样点的真实运行道路，因此，有必要将原始路网R_n中的道路根据GPS误差范围进行调整，将道路所在的矩形区域经度差(|X_max-X_min|)和纬度差(|Y_max-Y_min|)小于2Δd的都调整为2Δd，这样可以保证绝大部分GPS采样点的真实道路都能包含在其原始候选道路集中，具体调整操作如下：

$\begin{array}{c}\left|X_{\max }{-X}_{\min }\right|<2*\mathrm{\&Delta;d}\&DoubleRightArrow;X_{\max }=X_{\max }+\left(\mathrm{\&Delta;d}\frac{|X_{\max }-X_{\min }|}{2}\right)\\ X_{\min }=X_{\min }-\left(\mathrm{\&Delta;d}\frac{\left|X_{\max }{-X}_{\min }\right|}{2}\right)\end{array}$

$\begin{array}{c}\left|{Y_{\max }-Y}_{\min }\right|<2*\mathrm{\&Delta;d}\&DoubleRightArrow;Y_{\max }=Y_{\max }+\left(\mathrm{\&Delta;d}\frac{|Y_{\max }-Y_{\min }|}{2}\right)\\ Y_{\min }=Y_{\min }-\left(\mathrm{\&Delta;d}\frac{\left|Y_{\max }{-Y}_{\min }\right|}{2}\right)\end{array}$

其中，Δd为一个常数值，表示大部分的GPS采样点(如90％)偏离真实点的距离都小于这个常数值。如图3所示，点P有较大的可能为道路e₂上的点，但e₂却不能构成点P的候选道路，因为P不在e₂所在的矩形区域内，而在调整后的路网中，轨迹点P被包含在e₁,e₂道路所在的矩形区域中，即道路e₁,e₂构成了点P的原始候选道路集。

GPS点的定位误差符合高斯分布，在形成候选道路集时，到GPS采样点距离越近的道路为真实道路的概率越大，且车量行驶的方向和在道路上最佳的投影点的切线方向越接近，该道路为真实道路的概率也越大。基于这两个原理，对基于调整后的路网为每个采样点产生的原始候选道路集进行按照距离和方向角两个约束条件进行过滤，得到每一个轨迹点的最优候选道路集。

因此，本发明在步骤二首先：A)将调整后的路网中所有包含采样点P的所有道路，组成采样点P的原始候选道路集；

然后B)通过公式 $\left\{\begin{array}{c}{x}_i=x_i\\ y_i=y_i*k\end{array}\right.$ 将经纬坐标系转换为平面直角坐标系，以便进行精确的距离计算。其中，k为经度和纬度的距离比例系数，取值为1.29；x_i和y_i为GPS采样点的经度坐标和纬度坐标。

C)假设待映射点为P，A和B为某一条道路上两个相邻的样本点，可以利用向量空间求距离的方法获得点P到线段AB的最短距离公式d_i，即

$\cos \mathrm{\&theta;}=\frac{\stackrel{\&RightArrow;}{\mathrm{AP}}\&CenterDot;\stackrel{\&RightArrow;}{\mathrm{AB}}}{\left|\stackrel{\&RightArrow;}{\mathrm{AP}}\right|\left|\stackrel{\&RightArrow;}{\mathrm{AB}}\right|}\&DoubleRightArrow;\stackrel{\&RightArrow;}{\mathrm{AC}}=\frac{(\stackrel{\&RightArrow;}{\mathrm{AP}}\&CenterDot;\stackrel{\&RightArrow;}{\mathrm{AB}})}{{\left|\stackrel{\&RightArrow;}{\mathrm{AB}}\right|}^2}\stackrel{\&RightArrow;}{\mathrm{AB}}=\frac{(\stackrel{\&RightArrow;}{\mathrm{AP}}\&CenterDot;\stackrel{\&RightArrow;}{\mathrm{AB}})}{\left|\stackrel{\&RightArrow;}{\mathrm{AB}}\right|}\&CenterDot;\frac{\stackrel{\&RightArrow;}{\mathrm{AB}}}{\left|\stackrel{\&RightArrow;}{\mathrm{AB}}\right|}$

其中，θ为向量和的夹角。

求得GPS采样点到候选道路上每一个样本点的距离，则采样点到候选道路的最短距离d_min＝min{d₁,d₂...d_i...}。

d_min对应的道路样本点即为GPS采样点的最佳投影点，设为q_i，则投影点q_i处道路的方向角其中点(x_i，y_i)和(x_i-1，y_i-1)为道路上相邻的两个样本点，这两个样本点所在直线的方向可以近似等价于投影点处道路的切线方向。

假设GPS采样点的方向角度为β(数据集中已知属性)，GPS采样点方向和道路投影点方向的角度差的绝对值为τ＝|α-β|。

D)根据求得的最短距离和方向夹角进行筛选，从而生成采样点最优的两条候选道路构成最优候选道路集，即W_i ^r值最小的两条道路：

W_i ^r＝λ₁*d_min+λ₂*τ(d_min＜Δd，τ＜Δθ)

其中，W_i ^r表示第i个采样点对候选道路r的误差测量值，λ₁,λ₂为权重系数，λ₁＝1/Δd，λ₂＝1/Δθ，Δθ为GPS采样点方向和真实车辆行驶方向的误差范围，Δd为GPS采样点合理的距离误差范围。

通过此方法获得的候选集过滤掉了交错路网中和采样点方向不一致且距离较远的候选道路。所要处理的问题从而转化为了从诸如多车道，平行车道等道路结构中选择最终要映射的道路的问题。从而，新生成的候选道路集中的道路具有以下两个特征：(1)到采样点距离最近；(2)投影点处切线方向和采样点方向基本平行。

本发明在步骤三，将车辆GPS坐标点映射到地图上，即利用GPS定位数据与电子地图道路数据进行匹配，使用一定的算法将车辆映射到地图中正确的道路上，从而矫正导航系统的定位误差，确定车辆的正确运行轨迹。具体包括：

E)将相邻采样点的最优候选道路集中的道路按照是否满足一步内可达关系进行链接，每一条进行链接后的道路都是一条潜在的真实路径；

F)对每一个待测采样点，根据其候选道路集中候选道路为真实道路的可能性进行选择。为真实道路的可能性可以由经过该候选道路的潜在真实路径上的其它采样点对该待映射点选择该候选道路的支持度来衡量，选择能够获得其它点支持度较大的候选道路作为待测采样点最终选择的道路；

其中，如果潜在真实路径上的点很多，则设置一个单侧最大参考点数目ξ。

GPS采样点的分布跟车辆真实的行驶轨迹密切相关，待映射点附近其它点的最优候选道路集对待映射点的道路映射有着重要参考意义。

如图4所示，以采样点p_i为例，道路B和道路M构成p_i的候选道路集，为计算p_i选择道路B的可能性，从p_i出发向两侧分别进行探测，来发现邻近点的候选道路集中支持道路B为真实道路的程度，即道路B是否也是相邻点的候选道路集中的道路。例如，p_i+1的候选道路集中包含道路B，则p_i+1支持采样点p_i选择道路B，而p_i-1的候选道路集中不包含道路B，则不支持采样点p_i选择道路B。

图4中所示的浮动车明显是由道路A进入道路B，然而p_i-1却不能支持采样点p_i选择道路B，因为A，B并不是两条相同的道路，为了解决在多条近似平行的道路中进行择优的问题，本发明首先归纳出了在此类问题情形下存在的四种采样点和道路间的位置关系如附图5：

(1)道路A是相邻采样点的候选道路集中共同的道路，如图5(1)；

(2)相邻点的候选道路集中存在一条彼此直接相连的道路，如图5(2)；

(3)一个采样点的候选道路集中的一条道路和相邻点的候选道路集中的两条候选道路都直接相连，如图5(3)；

(4)相邻采样点的候选道路集中不存在直接相连的道路，如图5(4)。

当位置点关系满足(1)时，A均出现在相邻点的候选道路集中，则可判定p_i-1和p_i相互支持A为真实道路；当位置点关系满足(2)时，道路A和B出现在相邻点的候选道路集中，具有从道路A到道路B直接可达的特点，即车辆有较大的概率从道路A驶向道路B；当位置关系满足(3)时，p_i-1候选集中的道路均链接到相邻点的某条候选道路，有足够的理由支持道路C为p_i的真实道路；当位置关系满足(4)时，道路A和B是否为真实轨迹中的道路段，难以判断。

基于以上分析，可以采用上述(1)，(2)，(3)的特征，将多个满足条件的相邻采样点的候选道路集中的道路链接起来，形成一条较长的潜在真实道路，然后基于该较长道路上的采样点进行待测点支持度的分析

为描述上文所述的道路之间的关系，本发明分析其是否满足一步内可达的关系，采用了一步内可达关系矩阵来判断相邻点候选道路集中的候选道路是否可以进行链接；然后基于链接后的道路进行采样点选择道路的支持度的计算。

所述的一步内可达关系矩阵的横纵坐标表示所有的道路，矩阵的每一个元素表示两条不同道路是否一步可达，即直接相连，同时矩阵的对角元素均为1，表示不同采样点的候选道路相同时的情况。

一步内可达矩阵建立的条件包括：车辆行驶在道路上；GPS误差满足高斯分布；较长的道路附近有较多的采样点。

计算方法可概括为，首先，对于采样点P中的一条候选道路e，从e出发，利用一步可达矩阵判断左侧相邻采样点候选道路集中是否存在与e一步内可达的道路e’，如果存在且单侧递归深度(即单侧参考点数目)小于预设值ξ，则支持度加1，并继续上述过程；如果不存在或者递归深度大于等于ξ则停止。上述过程即为动态递归探测技术。按以上过程重复执行采样点P的右侧相邻采样点。最后求得P对于选择候选道路e作为最终映射道路的支持度总和。对采样点P的候选道路集中的所有候选道路执行上述过程，则获得的支持度总和最多的候选道路胜出。如果相同则选择W_i ^r值较小的那一个候选道路。

上述算法的过程可用如下步骤描述，其中support表示获得的支持度；i，k为一个指示变量；e，f，s为表示道路的变量；ξ为预设的递归深度值即前述的设置的单侧最大参考点数目ξ：

1.初始化support＝0，k＝i；ξ＝3

2.遍历取出采样点p_i最优候选集中的道路X；

3.e＝X；f＝X；

4.判断采样点p_i左侧相邻点p_i-1的候选集中是否存在和e具有一步内可达关系的道路S；

5.如果存在且递归深度小于ξ，e＝S，i＝i-1，support＝support+1，转步骤4；

6.判断p_k+1的候选集中是否存在和f存在一步内可达的道路S；

7.如果存在且递归深度小于ξ，f＝S，k＝k+1,support＝support+1，转步骤6；

8.输出附近点对p_i选择道路X的支持度support。

附图说明

图1本发明的浮动车的地图映射方法流程图。

图2路网基本元素图。

图3路网模型优化图，其中路网模型优化前采样点与道路所在矩形区域的关系图如图3(a)所示；优化后如图3(b)所示。

图4动态递归探测方法示意图。

图5路网相邻采样点的候选道路之间的关系。

图6算法前地图映射效果图。

图7算法后地图映射效果图。

图8算法准确率结果对比图。

具体实施方式

以北京市原始路网数据和2012年11月份12000辆出租车的GPS位置数据为本方法实施例数据，说明本方法执行步骤和进行性能分析，其中位置数据主要包括轨迹点坐标，记录产生时间，出租车方向及速率。

建立路网模型，将北京市的路网用交叉路口进行分割，化为22万条道路，每条道路所在的矩形区域构成一个道路区块。根据路网的经纬坐标建立索引，以实现采样点的快速映射到相应区域。

将每一个不满足长度和宽度都大于或等于2Δd的道路路块进行调整，使所有道路路块满足其长度和宽度距离都大于或等于2Δd，其中Δd＝25m。

检索包含GPS采样点的所有道路块，将包含相应采样点的所有路块构成相应采样点的初始候选道路集，根据W_i ^r＝λ₁*d_min+λ₂*τ选择最优的两条道路构成每个点的最优候选道路，其中λ₁＝1/Δd，λ₂＝1/20。

在实验中，分别对北京市通州区新华大街等路网较为稀疏的路况和市中心高架桥、匝道等复杂道路及多车道的平行道路的路况进行映射算法的准确性分析。

选取某辆出租车在复杂道路环境和简单道路环境下的行车轨迹的采样点数据，利用本发明中的算法进行地图映射，产生处理后的GPS轨迹点，观察本发明算法处理后的轨迹道路拟合真实道路的情况。如果处理后的轨迹点大部分出现在出租车真实运行道路上，则算法效果较好，否则，算法效果较差。

通过上述方法重点分析了算法在复杂道路和平行道路时算法的执行情况，如图6所示，算法匹配前GPS采样点在地图上的分布如图所示，大部分点存在着明显的采样误差，根据本发明中的算法思想，如果多个连续的采样点都集中在某条道路，即某条道路出现在连续的多个采样点的候选道路集中，则这条道路为真实道路的概率较大。图7所示，其为算法执行后的效果图，其中单侧递归深度ξ＝3，误差较小的采样点被映射到真实的道路上，误差较大的采样点由于参考了附近的点而在一定程度上克服了误差较大的问题，从而在复杂道路上仍然具有较好的匹配效果。

图8显示了不同采样率情况下不同算法映射的效果：当采样时间间隔较短时，本发明采用的算法的优势非常明显，具有较高的准确率；即使在采样间隔时间达到210s时，算法的准确率仍然能够达到70％，和其它的算法ST-matching和IVMM相比，算法执行情况在210s内有明显提升。

Claims (6)

1.浮动车的地图映射方法，其包含以下步骤：

步骤一：将原始路网中每条道路所在的矩形区域进行调整构建新的路网模型，基于新的路网模型为每个GPS采样点生成原始候选道路集；

步骤二：对原始候选道路集中的道路按照GPS采样点到候选道路的距离以及GPS点的方向和GPS点在道路上投影点的道路方向的夹角两个约束条件进行过滤，得到每一个采样点的最优候选道路集；

步骤三：采用动态递归探测的技术进行最优映射道路的选取，从而将车辆GPS坐标点映射到地图上。

2.根据权利要求1所述的浮动车的地图映射方法，其特征在于：在步骤一，对原始路网R_n：

$\left\{\begin{array}{c}{R}_n=(N,E)\\ N=\left\{(x,y)\right|o(x,y)\&GreaterEqual;3\}\\ E=\left\{e_i\right\}(i=\mathrm{0,1,2}...)\\ e_i=\{R\_\mathrm{Id};R\_L;X_{\min },X_{\max },Y_{\min },Y_{\max };p_1,p_2...p_i...\}\end{array}\right.$

将原始路网R_n中的道路根据GPS误差范围进行调整，将道路所在的矩形区域经度差(|X_max-X_min|)和纬度差(|Y_max-Y_min|)小于2Δd的都调整为2Δd，从而构建出一个新的路网模型，具体加宽操作如下：

$\begin{array}{c}\left|X_{\max }{-X}_{\min }\right|<2*\mathrm{\&Delta;d}\&DoubleRightArrow;X_{\max }=X_{\max }+\left(\mathrm{\&Delta;d}\frac{|X_{\max }-X_{\min }|}{2}\right)\\ X_{\min }=X_{\min }-\left(\mathrm{\&Delta;d}\frac{\left|X_{\max }{-X}_{\min }\right|}{2}\right)\end{array}$

$\begin{array}{c}\left|{Y_{\max }-Y}_{\min }\right|<2*\mathrm{\&Delta;d}\&DoubleRightArrow;Y_{\max }=Y_{\max }+\left(\mathrm{\&Delta;d}\frac{|Y_{\max }-Y_{\min }|}{2}\right)\\ Y_{\min }=Y_{\min }-\left(\mathrm{\&Delta;d}\frac{\left|Y_{\max }{-Y}_{\min }\right|}{2}\right)\end{array}$

其中，R_n表示路网；N表示路网中所有多岔路口的集合；每一个多岔路口用经度坐标x和纬度坐标y构成的经纬坐标(x,y)表示，其链接的道路数表示为o(x,y)；E表示路网中所有道路e_i的集合，每一条道路e_i由道路标示R_Id，道路宽度R_L，道路所在区域的最小经度值X_min，最大经度值X_max，最小维度值Y_min，最大维度值Y_max以及道路上一些离散的道路采样点p_i组成，相邻的样本点相连构成了一条完整的道路；

检索新路网模型中的所有道路，如果某条道路所在的矩形区域覆盖了GPS采样点，则该条道路就是GPS采样点原始候选道路集中的道路。

3.根据权利要求1所述的浮动车的地图映射方法，其特征在于：在步骤二包括：

A)将调整后的路网中包含采样点P的所有道路，组成采样点P的原始候选道路集；

B)通过公式 $\left\{\begin{array}{c}{x}_i=x_i\\ y_i=y_i*k\end{array}\right.$ 将经纬坐标系转换为平面直角坐标系，其中k为经度和纬度的距离比例系数，取值为1.29；x_i和y_i为GPS采样点经度坐标和维度坐标；

C)假设待映射点为P，A和B为某一条道路上两个相邻的样本点，可以利用向量空间求距离的方法获得点P到线段AB的最短距离公式d_i，即

$\cos \mathrm{\&theta;}=\frac{\stackrel{\&RightArrow;}{\mathrm{AP}}\&CenterDot;\stackrel{\&RightArrow;}{\mathrm{AB}}}{\left|\stackrel{\&RightArrow;}{\mathrm{AP}}\right|\left|\stackrel{\&RightArrow;}{\mathrm{AB}}\right|}\&DoubleRightArrow;\stackrel{\&RightArrow;}{\mathrm{AC}}=\frac{(\stackrel{\&RightArrow;}{\mathrm{AP}}\&CenterDot;\stackrel{\&RightArrow;}{\mathrm{AB}})}{{\left|\stackrel{\&RightArrow;}{\mathrm{AB}}\right|}^2}\stackrel{\&RightArrow;}{\mathrm{AB}}=\frac{(\stackrel{\&RightArrow;}{\mathrm{AP}}\&CenterDot;\stackrel{\&RightArrow;}{\mathrm{AB}})}{\left|\stackrel{\&RightArrow;}{\mathrm{AB}}\right|}\&CenterDot;\frac{\stackrel{\&RightArrow;}{\mathrm{AB}}}{\left|\stackrel{\&RightArrow;}{\mathrm{AB}}\right|}$

其中，θ为向量和的夹角，

求得GPS采样点到候选道路上每一个样本点的距离，得最短距离d_min和相应投影点q_i处道路的方向角α：d_min＝min{d₁,d₂...d_i...}，假设GPS采样点的角度为β，GPS采样点方向和道路投影点方向的角度差的绝对值为τ＝|α-β|；

D)根据求得的最短距离和方向夹角进行筛选，从而生成采样点最优的两条候选道路构成最优候选道路集，即W_i ^r值最小的两条道路：

W_i ^r＝λ₁*d_min+λ₂*τ (d_min＜Δd，τ＜Δθ)

其中，W_i ^r表示第i个采样点对候选道路r的误差测量值，λ₁,λ₂为权重系数，λ₁＝1/Δd，λ₂＝1/Δθ，Δθ为GPS采样点方向和真实车辆行驶方向的误差范围，Δd为GPS采样点合理的距离误差范围。

4.根据权利要求1所述的浮动车的地图映射方法，其特征在于：在步骤三包括：

E)将相邻采样点的最优候选道路集中的道路按照是否满足一步内可达关系进行链接，每一条进行链接后的道路都是一条潜在的真实路径；

F)对每一个待测采样点，根据其候选道路集中候选道路为真实道路的可能性进行选择；为真实道路的可能性可以由经过该候选道路的潜在真实路径上的其它点对该待映射点选择该候选道路的支持度来衡量，选择能够获得其它点支持度较大的候选道路作为待测采样点最终选择的道路；

其中，如果潜在真实路径上的点很多，则设置一个单侧最大参考点数目ξ。

5.根据权利要求4所述的浮动车的地图映射方法，其特征在于：所述的一步内可达的关系是利用一步内可达矩阵判断相邻点候选道路集中的候选道路是否可以进行链接；然后基于链接后的道路进行采样点选择道路的支持度的计算；

所述的一步内可达矩阵，其横纵坐标表示所有的道路，矩阵的每一个元素表示两条不同道路是否一步可达，即直接相连，同时矩阵的对角元素均为1；

一步内可达矩阵建立的条件包括：车辆行驶在道路上；GPS误差满足高斯分布；较长的道路附近有较多的采样点。

6.根据权利要求4的浮动车的地图映射方法，其特征在于：所述的支持度按下述方法得出：首先，对于采样点P中的一条候选道路e，从e出发，利用一步可达矩阵判断左侧相邻采样点候选道路集中是否存在与e一步内可达的道路e’，如果存在且单侧递归深度小于预设值ξ，则支持度加1，并继续上述过程，如果不存在或者递归深度大于等于ξ则停止；按以上过程重复执行点P的右侧相邻采样点；最后求得P对于选择候选道路e作为最终映射道路的支持度总和；对P候选道路集中的所有候选道路执行上述过程，则获得的支持度总和最多的候选道路胜出，如果相同则选择W_i ^r值较小的那一个候选道路。